CN115759917A - 一种基于改进混合蚁群算法的物流路径规划方法 - Google Patents

一种基于改进混合蚁群算法的物流路径规划方法 Download PDF

Info

Publication number
CN115759917A
CN115759917A CN202211545609.8A CN202211545609A CN115759917A CN 115759917 A CN115759917 A CN 115759917A CN 202211545609 A CN202211545609 A CN 202211545609A CN 115759917 A CN115759917 A CN 115759917A
Authority
CN
China
Prior art keywords
path
algorithm
pheromone
logistics
distribution
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211545609.8A
Other languages
English (en)
Inventor
陈俊华
江松蔚
张焱
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202211545609.8A priority Critical patent/CN115759917A/zh
Publication of CN115759917A publication Critical patent/CN115759917A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于物流技术与人工智能技术领域，具体涉及一种基于混合蚁群算法的物流路径规划方法，包括：建立物流配送任务调度网络模型；综合考虑最小化成本、最小化客户失望度以及驾驶员负载不均衡最小化三项目标建立目标函数；根据物流配送的路径规划设计改进混合蚁群算法；采用改进混合蚁群算法求解目标函数，并以快速非支配排序算法获取更好的非支配解，从非支配解解集中获取物流配送路径规划的最优解。本发明融合了多目标优化算法，综合考虑了最小成本、最小失望度、最小负载不均衡三个目标，与传统的单目标或双目标路径规划相比更加符合现实场景，有更好的收敛性以及理想的多样性。

Description

一种基于改进混合蚁群算法的物流路径规划方法
技术领域
本发明属于物流路径规划与人工智能技术领域，具体涉及一种基于改进混合蚁群算法的物流路径规划方法。
背景技术
随着时代的发展，各行各业的产能提升，对产品和原材料的运输调配需求升高，再加上快递和外卖的兴起，使得物流行业在我国的市场经济中的比重越来越大。面对物流需求的快速增长，优化物流运输成本的有效方法，可以使得现代物流行业长期稳定的发展。随着我国基础网络设施的逐步完善，传统的铁路运输、港口运输、机场运输以及四通八达的高速公路、村村通公路都得到了极大的发展，物流配送环境得到了极大的优化，国家大力提出现代物流业。在工业场景中，工业园区内生产资料的运输调配影响着工业生产效率，为运输的车辆规划多目标最优的路线方案能有效解决这个问题，如建立合适的调度模型，结合混合蚁群算法计算最优路径，对工业园区物流管运输具有重要的意义。
在物流运输中，车辆路径规划是物流资源调度的关键问题。车辆路径问题(VRP)是运输物流和供应链管理中一个著名的经典组合优化问题。它涉及从一个中央分配/收集中心向地理上分散的有限数量的客户提供有效和经济的货物/服务。传统的路径规划一般是单目标或双目标路径规划，在现实的物流场景中通常会存在多个优化目标，现有的融合NSGA-Ⅱ的路径规划算法在探索三维(三目标)以及更高纬度(四目标以及更多目标)问题上存在局限，收敛性和多样性比NSGA-III差。
发明内容
为解决上述技术问题，本发明提出一种基于改进混合蚁群算法的物流路径规划方法，包括：
S1：根据物流中配送点与配送点的路线关系、配送点与配送中心的路线关系以及各个配送点、配送路线配送车辆的约束信息生成物流配送任务调度网络模型；
S2：综合考虑最小化成本、最小化客户失望度以及驾驶员负载不均衡最小化三项目标，建立物流配送任务调度网络模型的目标函数；
S3：根据物流配送的路径规划设计改进混合蚁群算法；
S4：采用改进混合蚁群算法求解目标函数，并以NSGA-III快速非支配排序算法获取更好的非支配解，得到非支配解解集，从非支配解解集中获取物流配送路径规划的最优解。
优选地，综合考虑最小化成本、最小化客户失望度以及驾驶员负载不均衡最小化三项目标，建立物流配送任务调度网络模型的目标函数，包括：
最小化成本成本函数：
Figure BDA0003979691010000021
其中，f1表示最小化总成本的目标函数，表示配送时产生的运输成本以及未能在时间窗内完成配送任务所产生的惩罚成本；c表示单位距离所产生的配送成本，dij表示配送点i与j之间的距离，
Figure BDA0003979691010000022
表示物流车辆k服务配送点i后是否服务配送点j，pi表示未能在时间窗内服务所产生的惩罚成本，n表示配送点数量；
最小化客户失望度成本函数：
Figure BDA0003979691010000023
其中，f2表示最小化客户的平均失望度的目标函数，downi表示客户的失望度，
Figure BDA0003979691010000024
[ETi,LTi]表示节点i的时间窗范围，
Figure BDA0003979691010000031
表示配送点i最佳服务时间窗，
Figure BDA0003979691010000032
Figure BDA0003979691010000033
ti表示为客户提供的服务时间，如果为客户提供服务时间ti在最佳服务时间窗内，那么客户的失望度为0，为客户i提供服务的时间距离最佳服务时间窗越远，配送点i的失望度越高，在服务时间窗[ETi,LTi]外为配送点i提供服务时失望度为1，且会产生惩罚成本，n表示配送点数量；
最小化驾驶员负载不均衡成本函数：
Figure BDA0003979691010000034
其中，Wk表示配送车辆k的配送距离，
Figure BDA0003979691010000035
dij表示配送点i与j之间的距离，
Figure BDA0003979691010000036
表示车辆k服务配送点i后是否服务配送点j，车辆配送间的距离是不平衡的，K表示配送车辆数量。
优选地，根据物流配送的路径规划设计改进混合蚁群算法，包括：
在算法的初始阶段，引入节约矩阵更新概率公式引导蚂蚁进行路径搜索；采用分段函数来改进信息素挥发因子，得到分段式的信息素挥发因子，优化算法的收敛速度；精英蚁群采用蚁周模型来更新信息素，普通蚂蚁采用蚁量模型来更新信息素；采用3-opt算法来提高混合蚁群算法的局部搜索能力。
进一步的，引入节约矩阵更新概率公式引导蚂蚁进行路径搜索，包括：
Figure BDA0003979691010000037
其中，
Figure BDA0003979691010000038
表示蚂蚁k服务完配送点i的客户后服务配送点j的客户的概率，
Figure BDA0003979691010000039
表示t时刻蚂蚁k下一步允许服务的客户集(即还没有服务的客户)；ξ和
Figure BDA00039796910100000310
分别表示第一、第二权重系数，满足0≤ξ，
Figure BDA00039796910100000311
且
Figure BDA00039796910100000312
α表示信息启发式因子,反映了残留的信息量在蚁群的探索过程中的相对重要程度，β表示期望启发式因子(能见度系数)，反映了路径期望值在蚁群的探索过程中的相对重要程度；γ表示节约矩阵启发因子，反映了节约矩阵在蚁群的探索过程中的相对重要程度；ηij表示由配送点i到配送点j的能见度，τij表示配送点i到配送点j的信息素浓度，ETj表示节点j允许的最早服务时间，LTj表示节点LTj允许的最晚服务时间，Uij表示节约矩阵，tj表示配送车辆为配送点j的客户的服务时间。
进一步的，采用分段函数来改进信息素挥发因子，包括：
Figure BDA0003979691010000041
其中，ρ表示信息素挥发因子，NC表示当前迭代次数，NCmax表示初始设置的最大迭代次数。
进一步的，精英蚁群采用蚁周模型来更新信息素，普通蚂蚁采用蚁量模型来更新信息素，包括：
精英蚁群采用蚁周模型来更新信息素：
Figure BDA0003979691010000042
其中，τij表示配送点i到配送点j路径上的信息素浓度，ρ表示信息素挥发因子，
Figure BDA0003979691010000043
表示精英蚂蚁比普通蚂蚁多出的信息素含量，
Figure BDA0003979691010000044
表示精英蚂蚁k经过i→j的路径后新增信息素含量，ω表示精英蚂蚁信息素增量系数，t表示时间；
普通蚂蚁采用蚁量模型来更新信息素：
Figure BDA0003979691010000045
其中，τij表示配送点i到配送点j路径上的信息素浓度，ρ表示信息素挥发因子，Δτij表示所有的普通蚂蚁经过i→j的路径后新增信息素含量总和，
Figure BDA0003979691010000046
表示精英蚂蚁k经过i→j的路径后新增信息素含量。
进一步的，采用3-opt算法来提高混合蚁群算法的局部搜索能力，包括：
使用3-opt算法删除路径中三对不相邻的配送点连接，然后计算其他7种不同连接方式的路径长度，对比之后选取最短的路径作为新的连接方式，3-opt相对于2-opt局部搜索能力更强，但是由于3-opt产生的新的连接方式相比于2-opt更多，导致3-opt相对耗时更多，所以我们修改算法中使用局部搜索算法的条件，在蚁群迭代时，若是新一代的最优路径与上一代的最优路径相同，则不使用局部搜索算法，若是不同则使用3-opt局部优化算法来提升算法的局部搜索能力。
优选地，所述S4，具体包括：
步骤1：初始化参数：输入蚂蚁种群数量k，信息素启发因子α，能见度启发因子β，节约矩阵启发因子γ，两个权重系数ξ和
Figure BDA0003979691010000051
蚁群算法迭代次数NC，NSGA-III算法的种群数量n；
步骤2：将K只蚂蚁放到配送中心；
步骤3：，将物流配送任务调度网络模型中的配送点作为节点，蚂蚁从节点集合中使用轮盘赌法选择下一个节点，在将所经过的节点存入禁忌表中；
步骤4：判断蚂蚁是否完成所有节点的遍历，若没有，则转到步骤3，反之转到步骤5；
步骤5：判断这一次迭代中所有的蚂蚁是否都完成了遍历，若没有，则将蚂蚁数量加1后返回步骤3，反之跳转到步骤6；
步骤6：完成遍历的蚂蚁根据物流配送任务调度网络模型的目标函数计算每只蚂蚁的路径，得到三项目标下的最优路径，对每个目标的最优路径使用3-opt局部优化算法，并对3-opt局部优化算法产生的7种新路径分析可行性，若可行，则根据物流配送任务调度网络模型的目标函数通过新路径重新计算路径，若更优，则替换原路径，反之使用原路径；
步骤7：根据改进混合蚁群算法的分段式的信息素挥发因子、信息素更新方式、以及迭代次数更新信息素；
步骤8：根据更新的信息素使用NSGA-III算法对种群进行非支配排序，得到种群中的非支配解集；
步骤9：判断是否达到了初始化时设置的最大迭代次数，若没有达到，返回步骤2，反之跳转到步骤10；
步骤10：从非支配解集中选取同时优化三项目标的最优解，得到具体的运输工具配送路线。
进一步的，对每个目标的最优路径使用3-opt局部优化算法，并对3-opt局部优化算法产生的7种新路径分析可行性，包括：
删除路径中三对不相邻的配送点连接，对剩下的路径排列组合得到7种不同连接方式的路径，对比原路径与7种新路径之后选取最短的路径作为新的连接方式。
进一步的，使用NSGA-III算法对种群进行非支配排序，包括：
通过非支配排序算法对种群规模为n′的种群进行分层，对迭代后的新种群的解集中的解进行非支配排序，第一层记为f1，其非支配序值irank为1，表示此层解不被其他所有的解所支配，是整个种群的非支配解集；之后抹除f2，对剩下的种群进行非支配排序，得到序列值irank为2的第2层非支配解f2，f2为其后一层的非支配解集，以此类推，对所有解分层，选择第一层的解为整体的非支配解集。
本发明的有益效果：
本发明针对物流行业中物流配送车辆在配送点之间、配送点与配送中心之间的调度管理技术，提出的一种基于混合蚁群算法的物流路径规划方，为同时要求成本最低、失望度最小、负载不均衡最小的三目标路径规划模型提供了最佳路径规划解决方案，具有良好的实际意义和应用价值，本发明与传统的单目标和双目标路径规划相比，更加贴近实际场景需求。
附图说明
图1是本发明一种基于混合蚁群算法的物流路径规划方法流程图；
图2是本发明实施例中信息素更新流程图；
图3本发明实施例中混合蚁群算法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于改进混合蚁群算法的物流路径规划方法，如图1所示，包括：
S1：根据物流中配送点与配送点的路线关系、配送点与配送中心的路线关系以及各个配送点、配送路线配送车辆的约束信息生成物流配送任务调度网络模型；
S2：综合考虑最小化成本、最小化客户失望度以及驾驶员负载不均衡最小化三项目标，建立物流配送任务调度网络模型的目标函数；
S3：根据物流配送的路径规划设计改进混合蚁群算法；
S4：采用改进混合蚁群算法求解目标函数，并以NSGA-III快速非支配排序算法获取更好的非支配解，得到非支配解集，从非支配解集中获取物流配送路径规划的最优解。
根据配送点与配送点、配送点与配送中心之间的路径互通以及长度信息；将配送中心和配送点抽象为一个顶点，将顶点之间的路径抽象为边，将整个路网关系抽象为无向图G(V,K)，在带时间窗的车辆路径问题中，K代表着配送中心拥有的车辆集合；N代表着需要物流配送服务的n个配送点的集合,N＝{1,2,···,n}；V＝{0}∪N；其中0为配送中心；Vk为物流车辆K访问配送点的集合；i,j表示配送点的编号；
Figure BDA0003979691010000071
表示物流车辆k服务配送点i以后是否服务配送点j；
Figure BDA0003979691010000072
表示配送点i是否被物流车辆k所服务；Qmax表示物流车辆装载能力约束；qi表示配送点i的需求量,且q0＝0；C为物流运输车辆的单位运输成本；配送点的软时间窗为[ETi,LTi]，其中ETi表示物流配送点i允许的最早服务时间，LTi表示物流配送点i允许的最晚服务时间，VRPTW的数学模型约束条件为：
Figure BDA0003979691010000081
表示每辆物流运输车k运送的需求总量不超过车的最大装载限制；
Figure BDA0003979691010000082
表示物流配送车辆离开配送中心后需要返回配送中心；
Figure BDA0003979691010000083
表示每一个物流配送点只能由一辆车提供服务。
综合考虑最小化成本、最小化客户失望度以及驾驶员负载不均衡最小化三项目标，建立物流配送任务调度网络模型的目标函数，包括：
最小化成本成本函数：
Figure BDA0003979691010000084
其中，f1表示最小化总成本的目标函数，表示配送时产生的运输成本以及未能在时间窗内完成配送任务所产生的惩罚成本；c表示单位距离所产生的配送成本，dij表示配送点i与j之间的距离，
Figure BDA0003979691010000085
表示物流车辆k服务配送点i后是否服务配送点j，pi表示未能在时间窗内服务所产生的惩罚成本，n表示配送点数量；
未能在时间窗内服务所产生的惩罚成本：
Figure BDA0003979691010000086
其中，pi表示未能在时间窗内服务所产生的惩罚成本，若能在时间窗内完成配送任务就不会产生惩罚本，已知节点i的时间窗范围为[ETi,LTi]，其中ETi表示节点i允许的最早服务时间，LTi表示节点i允许的最晚服务时间，p′代表着配送时间早于最早服务时间的惩罚系数，p″″代表着配送时间晚于最晚服务时间的惩罚系数；
最小化客户失望度成本函数：
Figure BDA0003979691010000091
其中，f2表示最小化客户的平均失望度的目标函数，downi表示客户的失望度，
Figure BDA0003979691010000092
[ETi,LTi]表示节点i的时间窗范围，
Figure BDA0003979691010000093
表示配送点i最佳服务时间窗，
Figure BDA0003979691010000094
Figure BDA0003979691010000095
ti表示为客户提供的服务时间，如果为客户提供服务时间ti在最佳服务时间窗内，那么客户的失望度为0，为客户i提供服务的时间距离最佳服务时间窗越远，配送点i的失望度越高，在服务时间窗[ETi,LTi]外为配送点i提供服务时失望度为1，且会产生惩罚成本，n表示配送点数量；
最小化驾驶员负载不均衡成本函数：
Figure BDA0003979691010000096
其中，Wk表示配送车辆k的配送距离，
Figure BDA0003979691010000097
dij表示配送点i与j之间的距离，
Figure BDA0003979691010000098
表示车辆k服务配送点i后是否服务配送点j，车辆配送间的距离是不平衡的，K表示配送车辆数量。
根据物流配送的路径规划设计改进混合蚁群算法，包括：
在算法的初始阶段，引入节约矩阵更新概率公式引导蚂蚁进行路径搜索；采用分段函数来改进信息素挥发因子，得到分段式的信息素挥发因子，优化算法的收敛速度；精英蚁群采用蚁周模型来更新信息素，普通蚂蚁采用蚁量模型来更新信息素；采用3-opt算法来提高混合蚁群算法的局部搜索能力。
引入节约矩阵更新概率公式引导蚂蚁进行路径搜索，包括：
Figure BDA0003979691010000101
其中，
Figure BDA0003979691010000102
表示蚂蚁k服务完配送点i的客户后服务配送点j的客户的概率，
Figure BDA0003979691010000103
表示t时刻蚂蚁k下一步允许服务的客户集(即还没有服务的客户)；ξ和
Figure BDA0003979691010000104
分别表示第一、第二权重系数，满足0≤ξ，
Figure BDA0003979691010000105
且
Figure BDA0003979691010000106
α表示信息启发式因子,反映了残留的信息量在蚁群的探索过程中的相对重要程度，β表示期望启发式因子(能见度系数)，反映了路径期望值在蚁群的探索过程中的相对重要程度；γ表示节约矩阵启发因子，反映了节约矩阵在蚁群的探索过程中的相对重要程度；ηij表示由配送点i到配送点j的能见度，τij表示配送点i到配送点j的信息素浓度，ETj、LTj表示时间窗起始点，Uij表示节约矩阵，tj表示配送车辆为配送点j的客户的服务时间。
在初始阶段，通过设置较大的挥发因子ρ来提高算法的全局搜索能力，在算法的后期，通过设置较小的挥发因子ρ来达到快速收敛的目的，采用分段函数来改进信息素挥发因子，包括：
Figure BDA0003979691010000107
其中，ρ表示信息素挥发因子，NC表示当前迭代次数，NCmax表示初始设置的最大迭代次数。
如图2所示：在更新信息素时通过计算迭代次数来选择合适的信息素挥发因子，在带入信息素更新公式更新路径上的信息素。
精英蚁群采用蚁周模型来更新信息素，普通蚂蚁采用蚁量模型来更新信息素，包括：
精英蚁群采用蚁周模型来更新信息素：
Figure BDA0003979691010000111
其中，τij表示配送点i到配送点j路径上的信息素浓度，ρ表示信息素挥发因子，
Figure BDA0003979691010000112
表示精英蚂蚁比普通蚂蚁多出的信息素含量，
Figure BDA0003979691010000113
表示精英蚂蚁k经过i→j的路径后新增信息素含量，ω表示精英蚂蚁信息素增量系数，t表示时间；
普通蚂蚁采用蚁量模型来更新信息素：
Figure BDA0003979691010000114
其中，τij表示配送点i到配送点j路径上的信息素浓度，ρ表示信息素挥发因子，Δτij表示所有的普通蚂蚁经过i→j的路径后新增信息素含量总和，
Figure BDA0003979691010000115
表示精英蚂蚁k经过i→j的路径后新增信息素含量。
采用3-opt算法来提高混合蚁群算法的局部搜索能力，包括：
使用3-opt算法删除路径中三对不相邻的配送点连接，然后计算其他7种不同连接方式的路径长度，对比之后选取最短的路径作为新的连接方式，3-opt相对于2-opt局部搜索能力更强，但是由于3-opt产生的新的连接方式相比于2-opt更多，导致3-opt相对耗时更多，所以我们修改算法中使用局部搜索算法的条件，在蚁群迭代时，若是新一代的最优路径与上一代的最优路径相同，则不使用局部搜索算法，若是不同则使用3-opt局部优化算法来提升算法的局部搜索能力。
所述S4，如图3所示，具体包括：
步骤1：初始化参数：输入蚂蚁种群数量k，信息素启发因子α，能见度启发因子β，节约矩阵启发因子γ，两个权重系数ξ和
Figure BDA0003979691010000116
蚁群算法迭代次数NC，NSGA-III算法的种群数量n；
步骤2：将K只蚂蚁放到配送中心；
步骤3：，将物流配送任务调度网络模型中的配送点作为节点，蚂蚁从节点集合中使用轮盘赌法选择下一个节点，在将所经过的节点存入禁忌表中；
步骤4：判断蚂蚁是否完成所有节点的遍历，若没有，则转到步骤3，反之转到步骤5；
步骤5：判断这一次迭代中所有的蚂蚁是否都完成了遍历，若没有，则将蚂蚁数量加1后返回步骤3，反之跳转到步骤6；
步骤6：完成遍历的蚂蚁根据物流配送任务调度网络模型的目标函数计算每只蚂蚁的路径，得到三项目标下的最优路径，对每个目标的最优路径使用3-opt局部优化算法，并对3-opt局部优化算法产生的7种新路径分析可行性，若可行，则根据物流配送任务调度网络模型的目标函数通过新路径重新计算路径，若更优，则替换原路径，反之使用原路径；
步骤7：根据改进混合蚁群算法的分段式的信息素挥发因子、信息素更新方式、以及迭代次数更新信息素；
步骤8：根据更新的信息素使用NSGA-III算法对种群进行非支配排序，得到种群中的非支配解集；
步骤9：判断是否达到了初始化时设置的最大迭代次数，若没有达到，返回步骤2，反之跳转到步骤10；
步骤10：从非支配解集中选取同时优化三项目标的最优解，得到具体的运输工具配送路线。
进一步的，对每个目标的最优路径使用3-opt局部优化算法，并对3-opt局部优化算法产生的7种新路径分析可行性，包括：
删除路径中三对不相邻的配送点连接，对剩下的路径排列组合得到7种不同连接方式的路径，对比原路径与7种新路径之后选取最短的路径作为新的连接方式。
使用NSGA-III算法对种群进行非支配排序，包括：
通过非支配排序算法对种群规模为n′的种群进行分层，对迭代后的新种群的解集中的解进行非支配排序，第一层记为f1，其非支配序值irank为1，表示此层解不被其他所有的解所支配，是整个种群的非支配解集；之后抹除f2，对剩下的种群进行非支配排序，得到序列值irank为2的第2层非支配解f2，f2为其后一层的非支配解集，以此类推，对所有解分层，选择第一层的解为整体的非支配解集。
所述非支配排序算法处理过程，包括：
为了保持种群数量维持在初始设置大小n，需要根据irank由低到高将非支配排序后的个体集合加入新的种群，当1rank+2rank+…+n-1rank<n&&1rank+2rank+…+nrank>n时，其中，序列值irank表示第i层非支配解，n为种群数量，需要从序列值为nrank的个体集合中获取
Figure BDA0003979691010000131
Figure BDA0003979691010000132
个个体加入新的种群,其中，
Figure BDA0003979691010000133
表示第i层非支配解的数量：计算每个维度目标函数最小值以得到理想点，再以理想点为原点，目标函数为坐标轴，计算每个维度的极值点，通过极值点来构建超平面，之后在超平面上根据每个目标划分的划分数量均匀的构建参考点，连接理想点与参考点，构建参考点向量，计算各个个体与参考向量之间的垂直距离，使个体与对应垂直距离最近的参考点相关联，再根据参考点关联个体数量从序列值为nrank的个体集合中选取
Figure BDA0003979691010000134
个个体加入种群。
计算每个维度的极值点：
Figure BDA0003979691010000135
其中，
Figure BDA0003979691010000136
表示理想点在目标方向的最小值，x表示种群中的个体,f′i(x)表示i目标的实际值fi(x)减去理想值
Figure BDA0003979691010000137
权重向量wi在i目标的大小为1，其他目标的大小为0.000001，M表示目标数量，w表示权重向量。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种基于改进混合蚁群算法的物流路径规划方法，其特征在于，包括：
S1：根据物流中配送点与配送点的路线关系、配送点与配送中心的路线关系以及各个配送点、配送路线配送车辆的约束信息生成物流配送任务调度网络模型；
S2：综合考虑最小化成本、最小化客户失望度以及驾驶员负载不均衡最小化三项目标，建立物流配送任务调度网络模型的目标函数；
S3：根据物流配送的路径规划设计改进混合蚁群算法；
S4：采用改进混合蚁群算法求解目标函数，并以NSGA-III快速非支配排序算法获取更好的非支配解，得到非支配解解集，从非支配解解集中获取物流配送路径规划的最优解。
2.根据权利要求1所述的一种基于改进混合蚁群算法的物流路径规划方法，其特征在于，综合考虑最小化成本、最小化客户失望度以及驾驶员负载不均衡最小化三项目标，建立物流配送任务调度网络模型的目标函数，包括：
最小化成本成本函数：
Figure FDA0003979688000000011
其中，f1表示最小化总成本的目标函数，表示配送时产生的运输成本以及未能在时间窗内完成配送任务所产生的惩罚成本；c表示单位距离所产生的配送成本，dij表示配送点i与j之间的距离，
Figure FDA0003979688000000012
表示物流车辆k服务配送点i后是否服务配送点j，pi表示未能在时间窗内服务所产生的惩罚成本，n表示配送点数量；
最小化客户失望度成本函数：
Figure FDA0003979688000000013
其中，f2表示最小化客户的平均失望度的目标函数，downi表示客户的失望度，
Figure FDA0003979688000000021
[ETi,LTi]表示节点i的时间窗范围，
Figure FDA0003979688000000022
表示配送点i最佳服务时间窗，
Figure FDA0003979688000000023
Figure FDA0003979688000000024
ti表示为客户提供的服务时间，如果为客户提供服务时间ti在最佳服务时间窗内，那么客户的失望度为0，为客户i提供服务的时间距离最佳服务时间窗越远，配送点i的失望度越高，在服务时间窗[ETi,LTi]外为配送点i提供服务时失望度为1，且会产生惩罚成本，n表示配送点数量；
最小化驾驶员负载不均衡成本函数：
Figure FDA0003979688000000025
其中，Wk表示配送车辆k的配送距离，
Figure FDA0003979688000000026
dij表示配送点i与j之间的距离，
Figure FDA0003979688000000027
表示车辆k服务配送点i后是否服务配送点j，车辆配送间的距离是不平衡的，K表示配送车辆数量。
3.根据权利要求1所述的一种基于改进混合蚁群算法的物流路径规划方法，其特征在于，根据物流配送的路径规划设计改进混合蚁群算法，包括：
在算法的初始阶段，引入节约矩阵更新概率公式引导蚂蚁进行路径搜索；采用分段函数来改进信息素挥发因子，得到分段式的信息素挥发因子；精英蚁群采用蚁周模型来更新信息素，普通蚂蚁采用蚁量模型来更新信息素；采用3-opt算法来提高混合蚁群算法的局部搜索能力。
4.根据权利要求3所述的一种基于改进混合蚁群算法的物流路径规划方法，其特征在于，引入节约矩阵更新概率公式引导蚂蚁进行路径搜索，包括：
Figure FDA0003979688000000031
其中，
Figure FDA0003979688000000032
表示蚂蚁k服务完配送点i的客户后服务配送点j的客户的概率，Vj k表示t时刻蚂蚁k下一步允许服务的客户集(即还没有服务的客户)；ξ和
Figure FDA0003979688000000033
分别表示第一、第二权重系数，满足0≤ξ，
Figure FDA0003979688000000034
且
Figure FDA0003979688000000035
α表示信息启发式因子,反映了残留的信息量在蚁群的探索过程中的相对重要程度，β表示期望启发式因子(能见度系数)，反映了路径期望值在蚁群的探索过程中的相对重要程度；γ表示节约矩阵启发因子，反映了节约矩阵在蚁群的探索过程中的相对重要程度；ηij表示由配送点i到配送点j的能见度，τij表示配送点i到配送点j的信息素浓度，ETj表示节点j允许的最早服务时间，LTj表示节点LTj允许的最晚服务时间，Uij表示节约矩阵，tj表示配送车辆为配送点j的客户的服务时间。
5.根据权利要求3所述的一种基于改进混合蚁群算法的物流路径规划方法，其特征在于，采用分段函数来改进信息素挥发因子，包括：
Figure FDA0003979688000000036
其中，ρ表示信息素挥发因子，NC表示当前迭代次数，NCmax表示初始设置的最大迭代次数。
6.根据权利要求3所述的一种基于改进混合蚁群算法的物流路径规划方法，其特征在于，精英蚁群采用蚁周模型来更新信息素，普通蚂蚁采用蚁量模型来更新信息素，包括：
精英蚁群采用蚁周模型来更新信息素：
Figure FDA0003979688000000041
其中，τij表示配送点i到配送点j路径上的信息素浓度，ρ表示信息素挥发因子，
Figure FDA0003979688000000042
表示精英蚂蚁比普通蚂蚁多出的信息素含量，
Figure FDA0003979688000000043
表示精英蚂蚁k经过i→j的路径后新增信息素含量，ω表示精英蚂蚁信息素增量系数，t表示时间；
普通蚂蚁采用蚁量模型来更新信息素：
Figure FDA0003979688000000044
其中，τij表示配送点i到配送点j路径上的信息素浓度，ρ表示信息素挥发因子，Δτij表示所有的普通蚂蚁经过i→j的路径后新增信息素含量总和，
Figure FDA0003979688000000045
表示精英蚂蚁k经过i→j的路径后新增信息素含量。
7.根据权利要求3所述的一种基于改进混合蚁群算法的物流路径规划方法，其特征在于，采用3-opt算法来提高混合蚁群算法的局部搜索能力，包括：
使用3-opt算法删除路径中三对不相邻的配送点连接，然后计算其他7种不同连接方式的路径长度，对比之后选取最短的路径作为新的连接方式，3-opt相对于2-opt局部搜索能力更强，但是由于3-opt产生的新的连接方式相比于2-opt更多，导致3-opt相对耗时更多，所以我们修改算法中使用局部搜索算法的条件，在蚁群迭代时，若是新一代的最优路径与上一代的最优路径相同，则不使用局部搜索算法，若是不同则使用3-opt局部优化算法来提升算法的局部搜索能力。
8.根据权利要求1所述的一种基于改进混合蚁群算法的物流路径规划方法，其特征在于，所述S4，具体包括：
步骤1：初始化参数：输入蚂蚁种群数量k，信息素启发因子α，能见度启发因子β，节约矩阵启发因子γ，两个权重系数ξ和
Figure FDA0003979688000000046
蚁群算法迭代次数NC，NSGA-III算法的种群数量n；
步骤2：将K只蚂蚁放到配送中心；
步骤3：，将物流配送任务调度网络模型中的配送点作为节点，蚂蚁从节点集合中使用轮盘赌法选择下一个节点，在将所经过的节点存入禁忌表中；
步骤4：判断蚂蚁是否完成所有节点的遍历，若没有，则转到步骤3，反之转到步骤5；
步骤5：判断这一次迭代中所有的蚂蚁是否都完成了遍历，若没有，则将蚂蚁数量加1后返回步骤3，反之跳转到步骤6；
步骤6：完成遍历的蚂蚁根据物流配送任务调度网络模型的目标函数计算每只蚂蚁的路径，得到三项目标下的最优路径，对每个目标的最优路径使用3-opt局部优化算法，并对3-opt局部优化算法产生的7种新路径分析可行性，若可行，则根据物流配送任务调度网络模型的目标函数通过新路径重新计算路径，若更优，则替换原路径，反之使用原路径；
步骤7：根据改进混合蚁群算法的分段式的信息素挥发因子、信息素更新方式、以及迭代次数更新信息素；
步骤8：根据更新的信息素使用NSGA-III算法对种群进行非支配排序，得到种群中的非支配解集；
步骤9：判断是否达到了初始化时设置的最大迭代次数，若没有达到，返回步骤2，反之跳转到步骤10；
步骤10：从非支配解集中选取同时优化三项目标的最优解，得到具体的运输工具配送路线。
9.根据权利要求8所述的一种基于改进混合蚁群算法的物流路径规划方法，其特征在于，对每个目标的最优路径使用3-opt局部优化算法，并对3-opt局部优化算法产生的7种新路径分析可行性，包括：
删除路径中三对不相邻的配送点连接，对剩下的路径排列组合得到7种不同连接方式的路径，对比原路径与7种新路径之后选取最短的路径作为新的连接方式。
10.根据权利要求8所述的一种基于改进混合蚁群算法的物流路径规划方法，其特征在于，使用NSGA-III算法对种群进行非支配排序，包括：
通过非支配排序算法对种群规模为n′的种群进行分层，对迭代后的新种群的解集中的解进行非支配排序，第一层记为f1，其非支配序值irank为1，表示此层解不被其他所有的解所支配，是整个种群的非支配解集；之后抹除f2，对剩下的种群进行非支配排序，得到序列值irank为2的第2层非支配解f2，f2为其后一层的非支配解集，以此类推，对所有解分层，选择第一层的解为整体的非支配解集。
CN202211545609.8A 2022-12-05 2022-12-05 一种基于改进混合蚁群算法的物流路径规划方法 Pending CN115759917A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211545609.8A CN115759917A (zh) 2022-12-05 2022-12-05 一种基于改进混合蚁群算法的物流路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211545609.8A CN115759917A (zh) 2022-12-05 2022-12-05 一种基于改进混合蚁群算法的物流路径规划方法

Publications (1)

Publication Number Publication Date
CN115759917A true CN115759917A (zh) 2023-03-07

Family

ID=85343044

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211545609.8A Pending CN115759917A (zh) 2022-12-05 2022-12-05 一种基于改进混合蚁群算法的物流路径规划方法

Country Status (1)

Country Link
CN (1) CN115759917A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116415884A (zh) * 2023-04-11 2023-07-11 红云红河烟草(集团)有限责任公司 一种面向烟草工业的车辆调度及路径规划方法和***
CN116430877A (zh) * 2023-06-13 2023-07-14 上海伯镭智能科技有限公司 一种基于云端数据的无人驾驶矿车任务分配方法及***
CN116596174A (zh) * 2023-04-28 2023-08-15 北京大数据先进技术研究院 综合成本与收益的路径规划方法、装置、设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116415884A (zh) * 2023-04-11 2023-07-11 红云红河烟草(集团)有限责任公司 一种面向烟草工业的车辆调度及路径规划方法和***
CN116596174A (zh) * 2023-04-28 2023-08-15 北京大数据先进技术研究院 综合成本与收益的路径规划方法、装置、设备及存储介质
CN116596174B (zh) * 2023-04-28 2023-10-20 北京大数据先进技术研究院 综合成本与收益的路径规划方法、装置、设备及存储介质
CN116430877A (zh) * 2023-06-13 2023-07-14 上海伯镭智能科技有限公司 一种基于云端数据的无人驾驶矿车任务分配方法及***

Similar Documents

Publication Publication Date Title
Pasha et al. Exact and metaheuristic algorithms for the vehicle routing problem with a factory-in-a-box in multi-objective settings
Wang et al. Green logistics location-routing problem with eco-packages
US20220156693A1 (en) Computerized system and method for developing optimized cargo transportation solutions
CN113393040B (zh) 一种基于博弈论的工业园区物流调度方法及***
Pourghader Chobar et al. A novel multi-objective model for hub location problem considering dynamic demand and environmental issues
CN115759917A (zh) 一种基于改进混合蚁群算法的物流路径规划方法
CN108921472B (zh) 一种多车型的两阶段车货匹配方法
CN113159588A (zh) 一种基于物联网技术的物流车辆智能调度算法
Lee et al. Integrated inventory-transportation model by synchronizing delivery and production cycles
CN113780676B (zh) 一种瓶装液化气车辆配送路径优化方法
CN112488386B (zh) 基于分布熵多目标粒子群的物流车辆配送规划方法及***
CN106203911A (zh) 基于云计算的智能物流数据管理方法
CN110619441A (zh) 基于领导者的ga-pso的软时间窗车辆路径优化方法
CN108256969A (zh) 一种公共自行车租赁点调度区域划分方法
CN112801347B (zh) 基于移动中转站及众包的多目标城市两级配送规划方法
CN106203912A (zh) 物流信息智能处理方法
CN110705741A (zh) 一种基于改进蚁群算法的多配送中心车辆路径优化方法
CN111860957B (zh) 一种考虑二次配送和平衡用时的多车型车辆路径规划方法
CN113848970A (zh) 一种车辆-无人机多目标协同路径规划方法
CN114897307A (zh) 一种基于合作的物流集配网络联盟优化方法
Ouyang et al. Community logistics and dynamic community partitioning: A new approach for solving e-commerce last mile delivery
Farvaresh et al. A coalition structure algorithm for large-scale collaborative pickup and delivery problem
Kamsopa et al. Hybrid genetic algorithm for multi-period vehicle routing problem with mixed pickup and delivery with time window, heterogeneous fleet, duration time and rest area
CN114444809A (zh) 一种数据驱动下的多目标露天矿卡路径优化方法
CN113706081A (zh) 基于城市屋顶自动快递装置的无人机取送货***和方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination